[論文レビュー] Persistence Images: An Alternative Persistent Homology Representation.

Sofya Chepushtanova, Tegan Emerson+7 more|arXiv (Cornell University)|Jul 22, 2015

Topological and Geometric Data Analysis参考文献 27被引用数 11

ひとこと要約

本稿では、パーシステンス図をグリッドベースで微分可能にする形式に変換する、パーシステンス画像と呼ばれる新しい表現手法を紹介する。パーシステンス図を画像に変換することで、より広範な距離尺度や機械学習アルゴリズムの使用が可能となり、複数のデータセットにおいて、直接的なパーシステンス図の使用よりも高い分類精度を達成する。

ABSTRACT

Many datasets can be viewed as a noisy sampling of an underlying topological space. Topological data analysis aims to understand and exploit this underlying structure for the purpose of knowledge discovery. A fundamental tool of the discipline is persistent homology, which captures underlying data-driven, scale-dependent homological information. A representation in a concisely summarizes this information. By giving the space of persistence diagrams a metric structure, a class of effective machine learning techniques can be applied. We modify the persistence diagram to a in a manner that allows the use of a wider set of distance measures and extends the list of tools from machine learning which can be utilized. It is shown that several machine learning techniques, applied to persistence images for classification tasks, yield high accuracy rates on multiple data sets. Furthermore, these same machine learning techniques fare better when applied to persistence images than when applied to persistence diagrams. We discuss sensitivity of the classification accuracy to the parameters associated to the approach. An application of persistence image based classification to a data set arising from applied dynamical systems is presented to further illustrate.

研究の動機と目的

• パーシステンス図の機械学習における限界を解消するため、より互換性のある表現を構築すること。
• パーシステンス図を画像に似た構造に変換することで、トポロジカルデータ解析に多様な機械学習手法を適用可能にする。
• 複雑なトポロジカル構造を示すデータセットにおいて、より強固で微分可能な表現を用いることで分類性能を向上させること。

提案手法

• ガウスカーネルを用いた重み付き平均化により、パーシステンス点を2次元グリッド表現に変換する。
• 固定されたグリッド解像度を用いて、連続的なトポロジカル特徴量を機械学習に適した離散的・ベクトル化された形式に変換する。
• スケール不変性を確保し、複数のデータセットにわたる一般化性能を向上させるために、正規化スキームを適用する。
• 得られたパーシステンス画像を用いて、標準的な機械学習アルゴリズム（例：SVM、ランダムフォレスト）を分類タスクに適用する。
• 分類精度を最大化するために、画像のパラメータ（例：カーネル帯域幅、グリッドサイズ）を最適化する。

実験結果

リサーチクエスチョン

• RQ1 グリッドベースのパーシステンス図表現は、直接的なパーシステンス図の使用と比較して、機械学習性能を向上させることができるか？
• RQ2 パーシステンス画像の構築におけるパラメータ選択は、分類精度にどの程度感受性を示すか？
• RQ3 パーシステンス画像は、動的システムからのような現実世界のデータセットにおいて、トポロジカル特徴を効果的に捉えることができるか？

主な発見

• パーシステンス画像は、標準的な機械学習アルゴリズムと組み合わせて使用した場合、複数のデータセットにおいてパーシステンス図を直接使用する場合よりも顕著に優れた分類精度を達成する。
• ベクトル化された画像に似た構造のおかげで、より広範な距離尺度や学習手法の使用が可能になる。
• 分類精度はカーネル帯域幅やグリッド解像度といったパラメータの選択に感受性を示すが、経験的チューニングにより最適な設定を特定可能である。
• 本手法は、応用的動的システムからのデータセットにおいて、意味のあるトポロジカル構造を効果的に捉えることができ、実用的有用性を示している。